Fugu-MT 論文翻訳(概要): Efficient Deep Model-Based Optoacoustic Image Reconstruction

論文の概要: Efficient Deep Model-Based Optoacoustic Image Reconstruction

arxiv url: http://arxiv.org/abs/2408.07109v1
Date: Tue, 13 Aug 2024 13:05:30 GMT
ステータス: 処理完了
システム内更新日: 2024-08-15 15:07:25.874810
Title: Efficient Deep Model-Based Optoacoustic Image Reconstruction
Title（参考訳）: 深部モデルに基づく高能率光音響画像再構成
Authors: Christoph Dehner, Guillaume Zahnd,
Abstract要約: ディープラーニングアプローチは、最近、高品質な光音響画像のリアルタイム復元を解き明かした。本稿では,中規模のグラフィックカード上で高いフレームレートを実現するための,比較的軽量な(17Mパラメータ)ネットワークアーキテクチャであるEfficientDeepMBを提案する。本研究では,生体内光音響スキャンの大規模・多種多様なデータセットを用いて,再建速度と精度の観点から,効率的なDeepMBの性能を示す。
参考スコア（独自算出の注目度）: 1.3351610617039973
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Clinical adoption of multispectral optoacoustic tomography necessitates improvements of the image quality available in real-time, as well as a reduction in the scanner financial cost. Deep learning approaches have recently unlocked the reconstruction of high-quality optoacoustic images in real-time. However, currently used deep neural network architectures require powerful graphics processing units to infer images at sufficiently high frame-rates, consequently greatly increasing the price tag. Herein we propose EfficientDeepMB, a relatively lightweight (17M parameters) network architecture achieving high frame-rates on medium-sized graphics cards with no noticeable downgrade in image quality. EfficientDeepMB is built upon DeepMB, a previously established deep learning framework to reconstruct high-quality images in real-time, and upon EfficientNet, a network architectures designed to operate of mobile devices. We demonstrate the performance of EfficientDeepMB in terms of reconstruction speed and accuracy using a large and diverse dataset of in vivo optoacoustic scans. EfficientDeepMB is about three to five times faster than DeepMB: deployed on a medium-sized NVIDIA RTX A2000 Ada, EfficientDeepMB reconstructs images at speeds enabling live image feedback (59Hz) while DeepMB fails to meets the real-time inference threshold (14Hz). The quantitative difference between the reconstruction accuracy of EfficientDeepMB and DeepMB is marginal (data residual norms of 0.1560 vs. 0.1487, mean absolute error of 0.642 vs. 0.745). There are no perceptible qualitative differences between images inferred with the two reconstruction methods.
Abstract（参考訳）: マルチスペクトル光音響トモグラフィーの臨床応用は、リアルタイムに利用できる画像品質の改善と、スキャナー費用の削減を必要とする。ディープラーニングアプローチは、最近、高品質な光音響画像のリアルタイム復元を解き明かした。しかし、現在使われているディープニューラルネットワークアーキテクチャでは、十分なフレームレートで画像を推測するために強力なグラフィックス処理ユニットが必要であるため、価格タグが大幅に増加する。本稿では,比較的軽量な17MパラメータのネットワークアーキテクチャであるEfficientDeepMBを提案する。 EfficientDeepMBは、モバイルデバイスを操作するように設計されたネットワークアーキテクチャであるEfficientNet上に構築されている。本研究では,生体内光音響スキャンの大規模・多種多様なデータセットを用いて,再建速度と精度の観点から,効率的なDeepMBの性能を示す。中規模のNVIDIA RTX A2000 AdaにデプロイされたEfficientDeepMBは、ライブイメージフィードバック(59Hz)が可能な速度で画像を再構成する一方、DeepMBはリアルタイム推論しきい値(14Hz)を達成できない。 EfficientDeepMBとDeepMBの復元精度の定量的差は限界である(データ残差は0.1560対0.1487、絶対誤差は0.642対0.745)。この2つの再構成法で推定される画像の間には,定性的差は認められない。

関連論文リスト

DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。劣化前のパラメータ行列は、劣化した画像から直接学習される。 DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文参考訳（メタデータ） (2023-05-30T03:24:09Z)
Event-guided Multi-patch Network with Self-supervision for Non-uniform Motion Deblurring [113.96237446327795]
本稿では,ぼやけた画像やビデオを扱うための,イベント誘導型深層階層型マルチパッチネットワークを提案する。また、ビデオ内の複雑なぼやけに対処するために、動画に含まれる動きの手がかりを利用するイベント誘導アーキテクチャを提案する。我々のMPNは、現在のマルチスケール手法に比べて40倍高速なランタイムでGoProとVideoDeblurringデータセットの最先端を達成しています。
論文参考訳（メタデータ） (2023-02-14T15:58:00Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文参考訳（メタデータ） (2021-03-25T07:10:46Z)
ReconResNet: Regularised Residual Learning for MR Image Reconstruction of Undersampled Cartesian and Radial Data [0.3694429692322631]
データの一部(アンダーサンプリング)を無視して取得速度を上げることができるこれにより、解像度の低下や画像アーティファクトの導入など、画質が劣化する。深層学習は研究の非常に重要な分野として現れ、逆問題の解決に大きな可能性を示してきました。
論文参考訳（メタデータ） (2021-03-16T17:24:30Z)
Towards Fast and Light-Weight Restoration of Dark Images [26.779714419544085]
我々は,CPU上でも3秒の球場で,2848 x 4256,極暗の単一イメージをフル解像度で拡張できることを実証した。 2～7倍のモデルパラメータ,2～3倍のメモリ使用率,5～20倍のスピードアップで実現しています。
論文参考訳（メタデータ） (2020-11-28T13:53:50Z)
Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
論文参考訳（メタデータ） (2020-06-30T07:38:47Z)
Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting [12.839962012888199]
そこで本稿では,CRA(Contextual Residual Aggregation)機構を提案する。 CRA機構は、コンテキストパッチからの残基の重み付けにより、欠落した内容に対して高周波残基を生成する。提案手法は,解像度512×512の小型画像に対して学習し,高解像度画像に対する推論を行い,良好な塗装品質を実現する。
論文参考訳（メタデータ） (2020-05-19T18:55:32Z)
Fast Deep Multi-patch Hierarchical Network for Nonhomogeneous Image Dehazing [19.23223466960883]
非均一なハッシュ画像を復元する高速なディープマルチパッチ階層ネットワークを提案する。提案手法は, 現場の霧や霧の密度の異なる環境に対して, 極めて堅牢である。また、1200x1600 HDの画質画像を処理するために平均0.0145sの現在のマルチスケールメソッドと比較して高速なランタイムも提供する。
論文参考訳（メタデータ） (2020-05-12T18:26:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。